Para mejorar la precisión de la predicción del desgaste de herramientas, se propone una red neuronal compuesta basada en atención, denominada modelo ConvLSTM-Att (1DCNN-LSTM-Attention). En primer lugar, se extraen vectores de características multidimensionales locales con la ayuda de una red neuronal convolucional unidimensional (1D-CNN), lo que evita la pérdida de características de desgaste causada por la extracción manual de características. Luego, se realiza el aprendizaje de la relación temporal entre los vectores de características multidimensionales al introducir una red de memoria a largo y corto plazo (LSTM) para compensar la falta de dependencia de distancia larga-corta de la secuencia capturada por la red CNN. Finalmente, se aplica un mecanismo de atención para fortalecer la capacidad de extraer información clave de las características temporales del desgaste de herramientas. El modelo ConvLSTM-Att propuesto se entrena con los datos de desgaste de herramientas medidos y luego actúa como un predictor de desgaste de herramientas. El modelo se compara con varios modelos de última generación en los conjuntos de datos de desgaste de herramientas PHM. Supera significativamente a los otros modelos en términos de precisión de predicción, pero con una complejidad computacional similar.